一句话看懂：一名开发者在 V2EX 上分享了自己的“AI 写代码”工作流，并提出一个值得行业思考的问题：AI 开发框架和模型能力，到底谁在起决定性作用？他的观察是，框架越来越复杂，但老模型被淘汰的速度也越来越快，所谓的框架优化可能只是“补丁包”。
事件核心：发生了什么
这篇帖子来自 V2EX，发帖人是一名正在尝试 AI 辅助开发的程序员。他描述了自己目前的“半古法半 AI”工作流：先让 AI 写框架，再写工具类，然后逐个补全模块、补测试用例，某一步出错就让 AI 重新改。他没有采用动辄串联两三个模型、配复杂约束文件的“新式 AI 工作流”，但这种相对朴素的流程目前还算稳定。
让他焦虑的是行业风向：AI 开发框架和工具链更新很快，每隔一段时间就有人发布新的开发范式，模型要求也在水涨船高。他发现一个矛盾的现象——如果框架真的管用，那么随着框架迭代，它对底层模型的能力要求应该越来越低；但现实中恰恰相反，低于最新型号两三个版本的模型，已经快被排除在主流用法外了。
为什么重要
这个观察触及了当前 AI 编程工具链的核心争论：一套工作流的价值，到底是框架本身提供的结构化能力，还是背后大模型的训练和推理水平。目前公开信息显示，多数 AI 编程产品仍以闭源大模型为底座，开源模型虽然快速追赶，但要在复杂多步骤任务中保持稳定，依然有差距。如果模型能力才是关键，那么市面上大量的提示词工程、Agent 框架和约束文件，可能只是在现有模型能力边界上打的补丁，而不是底层创新。
这种讨论之所以重要，是因为它直接影响开发者和企业的技术选型：是花力气优化工作流，还是直接把预算花在更强的模型上？对坚持“框架优先”的团队而言，这个信号也说明，任何框架带来的优势可能都不持久——模型一升级，旧的优化经验可能要推翻重来。
对用户/开发者/创作者的影响
对普通开发者来说，这篇文章提到的工作方式有一定参考价值：先用 AI 搭骨架、再人工补模块、按需重做的流程，不需要复杂的工具链，也能获得稳定产出。对更依赖 API 开发的人来说，值得警惕的是模型快速换代带来的“再学习成本”，而不是只关注哪家价格便宜。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
内容创作者和独立开发者通常会面临同样的焦虑：看到新的工作流发布，学了怕过两月就过时，不学又怕效率掉队。与其追逐每个新框架，不如先建立一套不依赖某个具体模型的标准化流程，把 AI 当作可替换的执行单元。
值得关注的后续
可以继续观察三点：一是主流 AI 编程工具的定价和模型调用策略是否出现明显分化，闭源模型与开源模型的差距能否缩小；二是那些强调“框架价值”的产品，能否拿出实际证据证明它们对低版本模型有补偿效果；三是像原帖作者这样的保守派工作流，是否会被更自动化的 Agent 模式完全取代，还是会因稳定性和可控性继续占有一席之地。
